间隔ν-支持向量机及其几何问题

提出总间隔ν=支持向量机(TM-ν-SVM),该算法可取得比ν-SVM更好的理论分类性能.研究表明TM-ν-SVM等价于求解特征空间中的两个压缩凸包的最近点对.讨论压缩凸包的相关性质,并给出对应的几何算法.数值模拟实验表明TM-ν-SVM和对应的几何算法可取得比其它算法更好的性能.     

改进粒子群算法在支持向量机训练中的应用

训练支持向量机需要求解二次规划问题,LPSO算法对于求解含线性约束优化问题是一种直观、简单的方法。改进后的LPSO算法较好的解决了早熟收敛问题。对谷氨酸发酵过程建模的实验表明本文提出的方法训练精度高,泛化能力强。     

采用动态邻域扩展算法的非一致CA低功耗确定TPG

针对确定内建自测试向量发生器设计中常存在着对冗余向量依赖,导致测试应用时间增长,并产生额外的测试功耗等问题,提出一种新的低功耗确定测试向量发生器的综合算法.该向量发生器采用非一致细胞自动机的结构实现,利用基于模拟退火的动态邻域扩展算法寻找优化的细胞自动机的拓扑连接关系.对标准组合电路仿真实验的结果表明,所综合出的向量发生器可有效地产生给定的低功耗确定向量集,并且不影响原有的故障覆盖率和测试时间.     

实现兼类样本增量学习的一种算法

针对兼类样本,提出一种增量学习算法.利用超球支持向量机,在特征空间对属于同一类别的样本求得一个能包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开.增量学习过程中,只对新增样本以及与新增样本具有相同兼类的旧样本集中的支持向量进行训练,且每次训练只针对一类样本,使得算法在很小的样本集、很小的空间代价下实现兼类样本增量学习,同时保留了与新增样本类别无关的历史训练结果.分类过程中,通过计算待分类样本到各超球球心的距离判定其所属类别,分类准确快捷.实验结果证明了该算法的有效性.     

基于ECoG的运动想象脑-机接口分类方法

脑—机接口BCI(Brain-Computer Interface)技术是近年来国际上的研究热点之一,它通常利用脑电EEG(electroencephalo-gram)来实现无动作的人机交互,运动想象是其中一种重要的BCI实验范式。有关研究表明,脑皮层电位ECoG(electrocorticogram)具有更好的信噪比与频带特性。研究基于ECoG的运动想象BCI系统,针对ECoG信号的特点,改进了信号处理方法,提取数据的公共空间模式CSP(Common Spatial Pattern)特征,并利用支持向量机SVM(Support Vector Machines)进行分类器设计,提高了运动意向的识别正确率。用相应方法处理2005年脑-机接口竞赛中的一组实验数据,正确率达到92%,相比于当时参赛时所用的方法提高了6%。实验还发现,支持向量机在克服"维数灾难"和"过拟合"方面具有更好的鲁棒性。     

基于Top-hat变换与主成分分析的人脸识别方法

针对光照条件对人脸识别性能的影响,提出了一种利用Top-hat变换对特征提取前的人脸图像进行预处理的方法,减弱了外界光照对人脸特征提取的影响,并将该方法与基于主成分分析的特征提取方法和基于多类别分类器支持向量机的分类策略相结合,形成完整的人脸辨识算法.最后在ORL人脸库和YALE_B人脸库上,对该方法的识别率进行了测试,并与传统的基于主成分分析和最小近邻分类方法结合的人脸辨识方法进行了比较,得到了较好的结果.     

改进的支持向量机分类算法

在研究了标准SVM分类算法后,本文提出了一种快速的支持向量机分类方法.该方法通过解决两类相关的SVM问题,找到两个非平行的平面,其中每个平面靠近其相应的类样本点,远离另一类样本点,最后通过这两个平面找到一个将两类样本分开的最优平面.在处理非线性情况下,引入一种快速核函数分类方法.使用该算法可以使分类的速度得到很大提高,针对实际数据集的实验表明了该算法的有效性.     

有效的结构化P2P信息检索

在分析了以往P2P系统信息检索基础上,针对结构化P2P检索存在的问题,提出了一种有效的结构化P2P信息检索.结合利用向量空间模型(VSM)技术和位置敏感散列(LSH)技术,使得语义内容相似的文挡易于分布在相同的节点上,提高了搜索速度.同时采用了本体知识,增强对用户请求的语义理解,提高了搜索性能.     

结合支持向量机和近邻法的太阳耀斑预报方法

为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法.将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法.选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型.通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑.模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域.     

基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.